Comment compter ses calories sans y passer ta vie. Les 4 méthodes comparées, leur précision réelle, et celle que tu tiendras encore dans 6 mois.
Scan IA photo, code-barres, base de données, ajout rapide : ce que chaque méthode vaut vraiment, pourquoi 80 % des gens abandonnent en 3 mois, et comment choisir selon ton profil.
Quatre méthodes pour compter tes calories : le scan IA photo (tu photographies ton assiette, l’IA identifie chaque aliment et sa quantité), le scan code-barres (produits emballés, données fabricant), la base de données (recherche + pesée, le mode le plus précis) et l’ajout rapide (une enveloppe globale en 10 secondes). La bonne méthode est celle que tu tiendras 6 mois, pas la plus précise sur le papier. Et compter tes entrées ne sert que si ta dépense, le TDEETotal Daily Energy Expenditure : ta dépense calorique totale sur 24 h. TDEE = BMR + NEAT + EAT + TEF., est calculée juste.
Pourquoi 80 % des gens arrêtent de compter en 3 mois
Compter ses calories fonctionne. Ce n’est pas le sujet. Le sujet, c’est que presque personne ne tient : les études sur les programmes de perte de poids montrent une attrition massive dès les premières semaines, bien avant le premier résultat visible sur la balance.
La friction, concrètement : chercher « blanc de poulet » dans une liste, choisir la bonne entrée parmi 40 doublons, estimer 150 g à l’œil, recommencer pour les haricots, puis pour l’huile d’olive. Trois fois par jour. 90 fois par mois. C’est cette comptabilité qui tue le tracking, pas l’idée de tracker.
Conclusion pratique : le choix de ta méthode de saisie n’est pas un détail d’ergonomie. C’est LA variable qui décide si tes données existeront encore dans 3 mois. Voici les 4 méthodes, classées de la plus rapide à la plus exigeante.
Le scan IA photo : 5 secondes par repas
Tu prends ton assiette en photo. L’IA de Lean fait une double identification : d’abord elle reconnaît chaque aliment présent (poulet grillé, haricots verts), ensuite elle estime la quantité de chacun. Le résultat n’est pas un chiffre global sorti d’un chapeau : c’est une décomposition aliment par aliment, avec calories et macros pour chaque ligne.
En images, étape par étape, sur un vrai repas :



Sur des plats courants, l’erreur typique est d’environ ±10 % par repas. C’est moins précis qu’une balance, et largement suffisant pour piloter une perte de gras (on y revient avec la loi des grands nombres plus bas). Surtout, c’est la seule méthode qui couvre les repas sans étiquette : maison, restaurant, cantine.
Là où Lean va plus loin : tu gardes la main
Un scan IA n’est utile que si tu peux corriger ce qu’il propose. Lean te laisse trois leviers, par aliment :
Modifier les quantités
Un slider par aliment : ici, le pain estimé à 101,4 g par l’IA, corrigé à 70 g. Calories et total du plat se recalculent instantanément.


Modifier les macros
Tu connais mieux ta recette que la moyenne ? Ici, les chips : l’IA propose 4,1 g de lipides, tu corriges à 14 g. Donut et total suivent.


Re-scanner un seul aliment
L’IA a pris la dinde pour du fromage ? Tu tapes le bon nom, la ligne se re-analyse seule, sans refaire tout le plat.


Le test face à Cal AI : décomposition contre enveloppe
Même photo, deux apps. La différence saute aux yeux :



C’est la différence structurelle avec la plupart des apps de scan, Cal AI en tête : elles renvoient une enveloppe globale par plat, un total de calories et de macros sans décomposition modifiable aliment par aliment. Si l’estimation est fausse, tu la prends ou tu la jettes. Avec une décomposition par aliment, l’erreur se corrige en deux taps.
Le bon usage : plats maison, restaurant, cantine, tous les repas sans code-barres. La méthode par défaut de 90 % des repas.
Le scan code-barres : la précision de l’étiquette
Pour tout ce qui sort d’un emballage, le code-barres est imbattable : les valeurs nutritionnelles viennent directement des données fabricant. Lean s’appuie sur les bases USDA et OpenFoodFacts, soit des millions de références. Tu scannes, tu ajustes la quantité, c’est plié.
La limite est évidente : ton assiette de pâtes maison n’a pas de code-barres. C’est pour ça que cette méthode se combine naturellement avec le scan IA photo, elle ne le remplace pas.
Le bon usage : courses, snacks, produits transformés, shakers. Précision maximale sur l’industriel, zéro effort.
La base de données + balance : le mode précision
La méthode historique : tu pèses ton aliment, tu le cherches dans la base, tu saisis les grammes. Avec une balance de cuisine, c’est la méthode la plus précise qui existe, celle des préparations de compétition et des protocoles cliniques.


Le panneau « Restants / Impact » te montre, avant même de valider, ce que l’aliment change sur tes budgets du jour : calories, protéines, glucides, lipides, fibres. Tu décides en connaissance de cause, pas après coup.
Lean réduit la friction au minimum : historique de tes aliments fréquents, recherche dans USDA + OpenFoodFacts, ajout en deux taps depuis la liste. Mais soyons honnêtes sur le coût réel : 2 à 3 minutes par repas, et la discipline de peser. C’est précisément cette friction qui produit les 80 % d’abandon de la méthode classique.
Le bon usage : sèche stricte, recomposition avancée, sports à catégorie de poids. Et tes 5 à 10 aliments récurrents du quotidien, que l’historique rend quasi instantanés.
L’ajout rapide : l’enveloppe qui sauve la journée
Buffet d’anniversaire, journée surchargée, repas debout entre deux réunions : certains repas ne seront jamais trackés finement. L’ajout rapide te laisse saisir une enveloppe globale, calories et macros estimées, en 10 secondes. Moins précis, infiniment mieux qu’un trou de données.


La balance calorique live fait le reste : sur la capture, 2 143 kcal d’objectif, 1 000 consommées, 1 143 restantes, recalculées en continu au fil de la journée. Un jour approximatif mais tracké vaut mieux qu’un jour parfait abandonné : c’est la moyenne hebdomadaire qui pilote le résultat, pas la pureté d’une journée isolée.

Le bon usage : jours chargés, repas sociaux, secours anti-abandon. La méthode qui empêche le « j’ai raté un repas, tant pis pour la semaine ».
Quelle méthode pour quel profil
D’abord, le match des 4 méthodes sur les 4 critères qui comptent : la facilité par repas, la disponibilité (est-ce que ça marche partout, tout le temps), la tenue sur le long terme et la précision.
Scan IA photo
La photo, 5 secondes
Code-barres
L’étiquette exacte
Base de données + balance
Le mode précision
Ajout rapide
L’enveloppe de secours
++ excellent + bon − point faible. « Long terme » = la probabilité que tu utilises encore la méthode dans 6 mois.
Lecture du match : aucune méthode ne gagne partout. Le scan IA domine sur l’adhérence, la base + balance sur la précision, et l’ajout rapide n’existe que pour boucher les trous. D’où les profils : les 4 méthodes ne s’excluent pas, la bonne stratégie est un mix, dosé selon ton exigence du moment et ton emploi du temps. Trois profils couvrent la quasi-totalité des cas.
Zéro friction, apprendre en faisant
Scan IA photo partout, code-barres sur l’emballé, aucune pesée. Objectif unique : tenir 3 mois et éduquer ton œil sur les portions. La précision viendra ensuite, l’habitude d’abord.
Chaque pour-cent compte
Balance + base de données sur les repas maison, code-barres sur l’emballé, scan IA au restaurant. Pour les phases courtes où la précision paie vraiment : fin de sèche, pesée officielle.
Des données fiables sans y penser
Code-barres et scan IA au quotidien, ajout rapide en secours les jours impossibles. Tu connais déjà tes portions, tu veux juste que les données existent.
Règle d’arbitrage, valable pour tout le monde : en cas de doute, choisis la méthode la plus légère que tu es certain de tenir. Une donnée parfaite que tu arrêtes de saisir au bout de 3 semaines vaut zéro.
L’erreur de ±10 % qui disparaît sur un mois
L’objection classique face au scan IA : « ±10 % d’erreur, c’est trop ». C’est raisonner sur un repas isolé. Or tu ne traques pas un repas : tu en traques environ 90 par mois.
Rose : repas surestimés. Vert : repas sous-estimés. Ligne noire : ta consommation réelle. Sur un mois, les écarts se compensent.
C’est la loi des grands nombres (Kolmogorov) : des erreurs aléatoires indépendantes se compensent quand le nombre d’observations augmente. Les +12 % du lundi annulent les 8 % manquants du mardi. Ce qui reste sur un mois, c’est le biais moyen du modèle, proche de zéro sur un scan bien calibré, pas le bruit d’un repas.
La saisie manuelle, elle, souffre d’un problème d’une toute autre nature : un biais systématique. Les humains sous-déclarent ce qu’ils mangent, toujours dans le même sens, et un biais ne se lisse jamais.
Moralité : la question n’est pas « le scan IA est-il parfait ? » mais « quelle méthode produit les données les plus justes sur 90 repas ? ». Et là, l’automatisation gagne, parce qu’elle remplace un biais directionnel par un bruit qui s’annule.
Compter ne suffit pas : il manque l’autre moitié de l’équation
Un journal alimentaire parfait ne dit rien tout seul. Perdre du gras, c’est une balance énergétique négative : des entrées sous les sorties. Si ta dépense est mal calculée, ton déficit est une fiction comptable, et tu peux compter tes calories au gramme près sans jamais avancer.
Le problème : la quasi-totalité des apps estiment ta dépense avec Harris-Benedict (1919) ou Mifflin-St Jeor (1990), des formules au poids brut qui ignorent ta composition corporelle. À poids égal, un corps à 15 % de bodyfat et un corps à 30 % ne brûlent pas du tout pareil. Lean calcule la dépense autrement, en quatre étapes :
BodyScan IA
Tu prends une photo dans l’app. L’IA estime ton bodyfat à partir de ta morphologie visible, refait chaque semaine. C’est cette mesure qui ancre tout le calcul sur ta masse maigre, pas sur ton poids brut.
BMR via modèle propriétaire breveté
L’algorithme breveté Lean calcule ton métabolisme de base à partir de ta masse maigre réelle. Plus précis que Harris-Benedict 1919 ou Mifflin-St Jeor 1990, qui ne connaissent que ton poids.
NEAT, EAT et TEF mesurés, pas forfaitisés
Tes pas comptent dans le NEAT, tes séances de sport dans l’EAT via les tables MET de référence, et le TEF se calcule sur les macros que tu as réellement mangés, justement grâce à ton tracking.
Adaptation métabolique recalculée
En déficit prolongé, le BMR baisse. Lean est la première app à modéliser ce coefficient et à l’appliquer multiplicativement au BMR. Convention 100 % = optimal, 90 % = adaptation de 10 points.
Résultat : la balance live compare ce que tu manges (compté avec les 4 méthodes de ce guide) à ce que tu dépenses vraiment, recalculé en continu. C’est la combinaison des deux moitiés, entrées justes et sorties justes, qui rend une perte de gras prévisible. L’une sans l’autre, c’est de la comptabilité dans le vide.
Questions fréquentes sur le comptage des calories
Combien de calories par jour pour perdre du poids ?
Le scan photo IA est-il fiable pour compter ses calories ?
Faut-il peser ses aliments pour compter ses calories ?
Faut-il compter ses calories tous les jours ?
Pourquoi je ne perds pas de poids alors que je compte mes calories ?
Compter ses calories, ça rend obsessionnel ?
Quelle différence entre Lean et MyFitnessPal pour compter ses calories ?
Bibliographie
- Burke L.E., Wang J., Sevick M.A. (2011). Self-monitoring in weight loss: a systematic review of the literature. J Am Diet Assoc. PubMed 21185970.
- Alexander E., Tseng E., Durkin N. et al. (2018). Factors associated with early dropout in an employer-based commercial weight-loss program. Obes Sci Pract. PMC6298204.
- Lichtman S.W. et al. (1992). Discrepancy between self-reported and actual caloric intake and exercise in obese subjects. N Engl J Med. PubMed 1454084.
- Martin C.K. et al. (2009). A novel method to remotely measure food intake of free-living individuals in real time: the remote food photography method. Br J Nutr. PubMed 18616837.
- USDA FoodData Central. Base de données nutritionnelle de référence. fdc.nal.usda.gov.
- Open Food Facts. Base collaborative mondiale des produits alimentaires emballés. world.openfoodfacts.org.
- Hall K.D. et al. (2011). Quantification of the effect of energy imbalance on bodyweight. Lancet. PubMed 21872751.
- Mifflin M.D. et al. (1990). A new predictive equation for resting energy expenditure in healthy individuals. Am J Clin Nutr. PubMed 2305711.
- Harris J.A., Benedict F.G. (1919). A Biometric Study of Basal Metabolism in Man. Carnegie Institution of Washington.
- Ainsworth B.E. et al. (2011). Compendium of Physical Activities: a second update of codes and MET values. Med Sci Sports Exerc. PubMed 21681120.